一种低轨卫星无源定位系统到达时差参数分选方法

技术领域

本发明属于卫星定位及数据挖掘领域，涉及一种低轨卫星无源定位系统到达时差参数分选方法。

背景技术

低轨道卫星系统一般是指多个卫星构成的可以进行实时信息处理的大型的卫星系统。低轨道卫星主要用于军事目标探测，利用低轨道卫星容易获得目标达到时差参数以确定目标位置。卫星定位中，主要以观测站自身是否向外辐射信号为判断依据，将其分为无源定位和有源定位两种形式。但有源定位其设备本身需向外辐射电磁波且其频段较为固定，因此很容易被敌方侦察或跟踪，进而遭受敌方针对性的电子干扰或精确制导武器的打击，这不仅极大影响了对目标准确定位的精度，还会很大程度上危及定位系统的安全。因此，鉴于有源定位的不足，无源定位技术是当前应用较为广泛的卫星定位方式。其中，低轨卫星具备运行速度较快，路径衰耗小，传输时延短等优点，因此可以在较短时间内获取辐射源向外辐射的大量信号，通过对信号的进一步处理，可以获取辐射源的径向速度、方位等信息。

但是，在电子对抗的侦察过程中，信号的分选始终是接收技术中的一大难题。随着信号处理技术的发展，虽然对多信号分选的能力似乎在提高，但是，由于雷达信号本身的复杂性和信号环境的密度提高得更快，使得信号分选的实际效果变得越来越差。信号的分选在一定程度上依赖于信号的某种不变性，在信号越来越复杂的条件下，几乎信号的所有参数都是可变化的，甚至是捷变和伪随机变化的，使我们几乎失去了分选信号的依据。幸运的是，目标的位置是稳定的，它不能发生突跳性的变化，即使对于以2倍声速运动的目标，在10ms量级的时间内，这个变化也仅仅只有7m，也就是说，可以认为目标在较短的时间内，位置依然是固定的。这样，目标的坐标实际上将成为分选信号最可靠的依据。定位系统连续的观测会得到关于定位目标的大量观测参数，而通过观测站对辐射源的连续跟踪处理得到目标定位参数，能显著提升定位准确度。但当多个目标同时存在时，首先需要对观测数据进行分选，才能分别获取各个目标的准确定位。在目标数未知，时频混叠的情况下，同时观测多个目标的定位参数，会导致不同目标辐射源之间相互干扰，使得目标参数分选问题具有很大的挑战性，如数据配对存在难题，不准确分选容易出现模糊定位或虚假定位点、目标定位跟踪存在难题，不准确分选难以实现长时间积累或航迹拟合。从以上的简单陈述可以看出，如何有效的对目标定位参数进行聚类分选，是准确获取目标定位信息的关键所在。

近年来，数据挖掘广泛应用于各种领域，其中不乏存在数据集具有多种特征的复杂情景，如本发明中所针对的，目标数据曲线近似线性、多目标数量且各目标数据存在密度及精度差异等情况。传统聚类算法局限性明显、优缺点并存，仅能针对性的解决某一特征的聚类问题。目前主要的聚类分析算法大致可以分为五类：基于划分的方法、基于层次的方法、基于密度的方法、基于网格的方法以及基于模型的方法等。

其中基于划分是较为常用的方法，它最典型的代表算法为基于K平均值聚类算法,由于该方法需提前设定K值，且对最先的K个点选取很敏感，无法有效解决目标数未知的情况。基于层次的经典聚类算法，如AGNES算法将每个数据点作为初始簇，自底向上进行聚类，计算和时间复杂度都很大，且一般需要人为指定聚类终止条件。同时，由于目标数据集中密度的差异性，基于密度的DBSCAN聚类算法也无法得到理想结果，相同的判定标准可能会破坏聚类的自然结构，即较稀的曲线可能会被划分为多条曲线，而密度较大且离得较近的曲线会被合并成一条曲线。基于网格的聚类方法对参数敏感，无法处理有时存在的不规则分布数据；另外，这种算法的聚类结果的精确性不好保证，太大的网格粒度容易把不同类的数据包含在同一单元，网格粒度太小容易把较为稀疏的同一类数据内部分裂。

因此，在待观测目标数未知、时频混叠、目标数据分布近似线性、数据中存在一定比例的噪声、参数精度方面，存在高低精度曲线、密度方面，存在高低密度曲线的情况下，同时观测多个目标的到达时差参数，会导致不同目标辐射源之间相互干扰，使得各目标时差参数分选问题具有很大的挑战性。如何在该卫星定位场景下构建有效的多目标到达时差参数聚类分选模型，实现各目标时差参数的准确分选，是本领域技术人员亟待解决的问题。

发明内容

有鉴于此，本发明的目的在于提供一种低轨卫星无源定位系统到达时差参数分选方法，以实现在复杂环境下多目标到达时差参数的准确分选。

为达到上述目的，本发明提供如下技术方案：

一种低轨卫星无源定位系统到达时差参数分选方法，包括以下步骤：

S1、数据处理中心根据到多目标达时差参数进行数据预处理，然后进行参数建模，充分提取目标辐射源数据集特征；

S2、以网格划分观测数据，并基于分层次聚类基本原理，对单位时间上的网格单元，根据密度特性，进行数据簇分选；

S3、通过位置相连原则，对不同单位时间的簇进行簇间连接，并根据数据簇中的密度阈值及拟合参数，选取满足要求的簇作为最终聚类结果。

进一步，在步骤S1中具体包括以下步骤：

S11、根据卫星获取的数据集，其中包含观测时间序列以及相应的时差序列；在离散时间索引为m时，设X

S12、在二维平面上，以X

S13、通过仿真实验对比与分析，充分提取卫星定位场景下的多目标到达时差参数的基本数据集特征。

进一步，目标辐射源数据集特征包括：

(1)该平面上单个目标对应一条曲线；高精度曲线和低精度曲线可能同时存在，其中高精度到达时差幅度抖动不大，低精度到达时差幅度抖动较大；

(2)单位时间波动几个微秒量级；目标数据密度不一；同一时间段内，不同曲线在时差幅度上呈现分离状态；

(3)两条相邻曲线被明显的空白或稀疏区域分开，空白或稀疏区域越大越能区分不同曲线的边界。

进一步，步骤S2中具体包括以下步骤：

通过卫星获取的时差参数数据集，鉴于数据集庞大，若对每个数据对象单一处理，其算法复杂度较高，故借鉴网格聚类思想将数据空间划分为网格单元，将数据对象映射到网格单元中，只对网格单元进一步处理，因其处理速度与数据对象无关，算法所考虑的是只依赖于每个网格上的数据点数量，因此可以提高数据处理效率，然后根据无数据网格单元的位置及分层次聚类思想，对各单位时间上的网格单元，根据密度特性，进行数据簇分选；

其具体过程如下：

S21、根据观测序列中离散时间数据X

S22、初始化聚类迭代次数l＝1和簇数k＝1,k∈[1,K]，K为该单位时间总簇数，l＝1表示0～1s单位时间内，即第l秒内；

S23、获取第l秒内经由网格划分的所有网格单元集合G

S24、根据无数据网格单元位置，将该秒内各网格单元分为若干簇SC

S25、根据第l秒所获取的所有簇SC

S26、当第l秒处理完毕后，令l＝l+1，k＝1并重复执行步骤S22～S25，直至l＝L，聚类结束，其中L表示最后一秒，即最大观测时间。

进一步，在步骤S25中，针对该秒的所有簇SC

S251、获取第l秒各簇中包含的网格单元数量N

S252、若某一簇中N

其中，h(·)为该簇数据经最小二乘法所生成的拟合函数，

S253、若均方根误差低于所设阈值参数，即：

RMSE(x,h)＜RMSE_thr

则不对该簇拆分，其中，RMSE_thr表示均方根阈值；反之需对其做进一步拆分处理。

进一步，对簇的拆分方法包括以下步骤：

A、统计该簇内各网格单元密度记为D

B、通过寻找该簇内密度波峰波谷的位置，在密度波谷位置，即满足D

进一步，步骤S3具体包括以下步骤：

对各单位时间所生成的簇，依据位置相连原则，对其进行簇间匹配连接，并根据数据簇中的密度阈值及拟合参数，选取满足要求的簇作为最终聚类结果。具体过程如下：

S31、根据各单位时间内所生成的簇，将第一秒内的分选结果存入簇集合Cluster，并设置J＝2；

S32、将第J秒内所有簇SC

若遇到汇合情形，即Cluster中多个簇与第J秒中同一簇相连，计算Cluster中各簇的均方根误差及其相应的拟合函数，并以J秒中簇的时间均值及到达时差均值计算Cluster中各簇的拟合残差，由此在Cluster各簇中选择与第J秒簇最为匹配的簇，进行簇间连接；

当Cluster_buffer中的一个簇与第J秒内多个簇相连时，即分叉情形，同样根据线性拟合参数，选择与该簇最为匹配的簇进行连接；

第J秒中未能与Cluster中任何簇连接的簇，作为新簇存入簇集合Cluster中，连接上的合并入Cluster中相对应的簇；

S33、第J秒处理完毕后，令J＝J+1，重复执行步骤S32，直至J＝L，其中L表示最后一秒，即最大观测时间；

S34、在簇集合Cluster中，根据各簇的密度阈值及拟合曲线参数等特征，判断达到要求的簇作为最终聚类结果。

本发明的有益效果在于：本发明提供了一种低轨卫星无源定位系统到达时差参数分选方法，通过低轨卫星获取各目标辐射源的到达时差参数，时差参数通过数据处理中心进行数据预处理并对到达时差参数做建模处理，充分提取目标数据集的多复杂特征；利用网格聚类及密度聚类方法的基本原理，同时结合数据分层聚类处理思想，在目标数据分布近似线性、数据集中存在一定比例噪声、参数精度方面，存在高低精度曲线、密度方面，存在高低密度的曲线的情况下，对各目标时差参数进行有效聚类分选。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为低轨卫星无源定位系统到达时差参数分选方法的流程图；

图2为基于网络、层次及密度聚类所形成的数据簇示意图；

图3为基于位置相连原则所形成的簇示意图；

图4为目标到达时差参数聚类前示意图；

图5为目标到达时差参数聚类后示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

首先对本发明实施例中出现的部分名词或术语作如下解释：

聚类：本发明中是“聚类分析算法”的简称，是指将相同或相似数据汇聚在一个类别中的算法。

簇：本发明中是指网格单元经过聚类算法所相互连接的数据集合，同簇内数据相似性最大，不同簇数据间相似性最小。

如图1所示，本实施例提供了一种低轨卫星无源定位系统到达时差参数分选方法，该方法具体包括以下步骤：

S1、数据处理中心根据多目标达到时差参数进行数据预处理，然后进行参数建模，充分提取目标辐射源数据集特征，包括以下步骤：

S11、根据卫星获取的数据集，其中包含观测时间序列以及相应的时差序列；在离散时间索引为m时，设X

S12、在二维平面上，以X

S13、通过仿真实验对比与分析，充分提取卫星定位场景下的多目标到达时差参数的基本数据集特征。

本实例中，目标数据集特征包括：

单个目标对应一条曲线；高精度和低精度曲线可能同时存在，其中高精度到达时差幅度抖动不大，低精度到达时差幅度抖动较大；

单位时间波动几个微秒量级；目标数据密度不一；同一时间段内，不同曲线在时差幅度上呈现分离状态；

两条相邻曲线被明显的空白或稀疏区域分开，空白或稀疏区域面积越大越能区分不同曲线的边界。

S2、如图2和图3所示，考虑该定位场景下的目标数据集特征，结合分层、网格及密度聚类算法基本原理对数据进行聚类分组，实现对到达时差参数的分选；

S21、根据离散时间数据与时差数据取值范围，进行网格划分：设置各网格时间长度为1秒、时差宽度为1微秒；

S22、对单位时间上的网格单元，根据无数据网格位置，获得若干单位时间的数据簇分选结果；

S23、针对各单位时间的所有簇SC

S24、储存各单位时间上的数据簇，得到各目标在单位时间上的分选结果；

S25、依据位置相连原则，对步骤S24中的数据簇进行簇间匹配连接，进一步合并各簇；

S26、在簇集合Cluster中，根据各簇的密度阈值及拟合曲线参数等特征，判断达到要求的簇作为最终聚类结果。

本实例步骤S25具体包括：

A、对所述步骤S24中所生成的各单位时间上的数据簇，将第一秒内的分选结果，存入簇集合Cluster，并设置J＝2；

B、将第J秒内的簇与Cluster中的簇进行簇间连接；其中各簇的位置相连，是指它们各自包含的网格单元之间，至少存在一条边或者一个网格顶点相连的两个网格；若遇到汇合，即Cluster中多个簇与第J秒同一簇相连，或者遇到分叉，即Cluster中一个簇与第J秒多个簇相连的情况，需根据其各自簇内数据的线性拟合参数，选择双方最为匹配的簇进行簇间连接；

C、第J秒中未能与Cluster中任何簇连接的簇，作为新簇存入Cluster；连接上的合并入Cluster中相对应的簇；

D、第J秒处理完毕后，J＝J+1，重复步骤B、C，直至最后一秒。

其中，簇集合Cluster中所有簇的特点是其簇持续到最近的时间单元，比如在进行第J秒操作时，Cluster中每个簇均包含第J-1秒的某个簇。

实验验证：本发明采用Matlab仿真平台对本发明方法进行实现，本实施例以较为典型的场景做出仿真验证，即由两个时钟同步的低轨卫星、三个待测目标、一个雷达、一个数据处理中心组成。其中低轨卫星的高度为距地面750KM，卫星A的起始经纬度(112,16.7)、终止经纬度(112.2,14.9)，卫星B的起始经纬度(112.1,16.1)、终止经纬度(112.3,14.3)，观测时间为30S，待测目标高度设置为10m、经度分布范围为110.2～110.3、纬度分布范围为10.1～10.5、噪声比例为原始数据量的10％。

更具体的说，两低轨卫星以匀速状态运动，收集待测目标所辐射的数据T1、T2，并对其作差处理得到TDOA，将其传入数据处理服务器，通过分层、网格及密度聚类融合的多目标时差参数聚类分选模型对TDOA数据作聚类处理。

图4所示为该应用场景下，各目标的TDOA数据特征(数据量、密度、参数精度)，各目标数据分布近似线性。

图5所示为经过本发明所构建的多目标TDOA聚类分选模型所输出的各目标时差参数分选图，可以看到在30S观测时间范围内，三个待测目标的时差参数均成功聚类分选，且该聚类结果的外部评价指标如表1所示。

表1聚类结果评估

其中，参数精度数值越大则目标数据的振荡幅度越大，对TDOA聚类造成的影响越大，如图2的date1目标所示；参数测量速率决定了每一个目标在观测时间范围内低轨卫星所获取的数据总量，即原始数据量＝观测时间*参数测量速率。

本发明研究了在低轨卫星无源定位系统中结合基于网格及密度聚类算法的基本原理，以在存在多目标数、时频混叠、目标TDOA参数多复杂特征的情况下能准确聚类各目标的到达时差参数。本发明构建了分层、网格及密度聚类融合的多目标到达时差参数聚类分选模型，针对性解决低轨卫星无源定位场景下的目标数据具有多复杂特征的情形，例如时间与时差组成的平面上，目标数据曲线形状具有近视线性特征；数据中存在一定比例的随机野值点；参数精度方面，存在高低精度曲线；密度方面，存在高低密度的曲线。仿真结果证实，通过所构建的多目标到达时差参数聚类分选模型，可以有效分选各目标的时差参数，且聚类结果的召回率及查准率较好。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。